改进的基于SVM决策树的多分类算法，刘靖雯，王小捷，标准的SVM是针对两类的分类问题，如何将两类问题推广到多类问题上，是目前研究的一个热点。本文提出了一种改进的基于SVM决策树的多

糖尿病预测：使用Cima决策树算法和K-最近模型，根据患者的实验室测试结果变量（例如葡萄糖，血压等​​），使用Pima Indians糖尿病数据集来预测患者是否患有糖尿病。 Python-Scikit学习，SciPy，熊猫，MatPlotLib

有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法

ID3算法的大致实现，同学们可以作为参考

清华大学大数据机器学习课程PPT，决策树与随即森林部分

北邮人工智能实训决策树代码，python实现，可完美运行

《机器学习》算法实例-决策树算法-预测鱼类和非鱼类实例 根据不浮出水面是否可以生存、是否有脚蹼2 个特征，将动物分成两类: 鱼类和非鱼类。 收集数据: 可以使用任何方法 准备数据: 树构造算法（这里使用的是ID3算法，因此数值型数据必须离散化。） 分析数据: 可以使用任何方法，构造树完成之后，我们可以将树画出来。 训练算法: 构造树结构 测试算法: 使用习得的决策树执行分类 使用算法: 此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义

《机器学习》算法实例-决策树算法-预测隐形眼睛类型 包括数据集都有提供，主要用于预测隐形眼镜（数据特征为年龄、症状、眼泪数量、是否散光；标签为硬材质、软材质、不适合带隐形眼镜），有测试结果 【注】本实例对于每步都有详细讲解，若有不理解部分，可私信解答。

需要更多资源请关注。 Github: https://github.com/huangyueranbbc

a) 您如何实现初始树（A 部分）以及为什么选择您的方法？ 为了实现决策树，我们使用了 ID3（迭代二分法 3）启发式。 训练阶段 - 构建决策树： 在 ID3 算法中，我们以原始属性集作为根节点开始。 在算法的每次迭代中，我们遍历剩余集合中每个未使用的属性并计算该属性的熵（或信息增益）。 然后，我们选择具有最小熵（或最大信息增益）值的属性。 然后剩余的属性集被选定的属性分割以生成数据的子集。 该算法继续在每个子集上递归，只考虑以前从未选择过的属性。 测试阶段：在运行时，我们将使用经过训练的决策树对新的未见过的测试用例进行分类，方法是使用此测试用例的值向下处理决策树，以到达告诉我们此测试用例属于哪个类的终端节点。 我选择这种方法是因为以下原因： 它通过选择最佳属性来在每次迭代中拆分数据集，从而使用贪婪方法。 在离散数据上运行非常快（在 3 到 4 分钟内运行）。 但是，